首页 > 文献资料
-
大数据时代的循证医学
经验医学向循证医学( Evidence Based Medicine，EBM)的转变是临床研究与实践的一大趋势。循证医学采用大样本随机对照试验(Randomized Controlled Trail，RCT)和Meta分析技术，在较大程度上保证了疾病治疗方案有效安全可靠。但是，RCT的基础是随机采样理论，试图用少的数据获得有用的信息，这可能导致证据偏倚及治疗方案失信。随着医疗大数据时代的到来，循证医学的上述局限与不足可望得到根本改进，并朝证据采集、制作与评估自动化的方向发展。面向大数据的深度学习是一种自动化的特征提取技术，能从海量高维数据自动提取病因并建立高精度的决策分析模型，从而大大提高循证医学证据分析与决策支持的效率，促进循证医学在医学各领域更加广泛地应用和推广。
-
疾病相关基因-药物关联抽取规程设计
目的 立足于信息科学,面向疾病靶向药物研发,进行疾病相关基因-药物关联抽取,致力于发现新的基因-药物关联,为新药研发提供科学假设.方法 具体从疾病相关的基因-药物关系类型界定、关联抽取方法对比筛选、优选方法在研究问题中的实现、方法评价及知识发现等4个方面展开论述.结果 形成了疾病相关基因-药物关联抽取的规范化流程,促进疾病靶向药物研发.
-
基于词向量的消费者体检健康词表研究
目的 本研究探索中文消费者健康词表的构建方法;研究利用Word2vec构建消费者体检健康词表的可行性和合理性.方法 抓取天涯医院的信息作为语料,使用结巴分词进行中文分词处理,使用Word2vec构造词向量模型,从而形成消费者体检词表.后,使用预测准确率、准确率、召回率评价指标对词向量的模型效果进行评估.结果 消费者体检健康词表包含了74个种子词、137个消费者用词.候选词的准确率为94.71%,召回率为51.27%,F1值为0.33,74个种子词形成的候选词中前3个词为同义词的预测准确率为60.81%.结论 本研究验证了Word2vec在识别消费者用词方面的强大能力,利用Word2vec技术可以用来开发中文消费者健康词表.我们发现,Word2vec自动生成的候选消费者词列表质量不足以生成消费者健康词表,但是能作为人工审核构建的重要参考,为开发完整的中文CHV奠定了坚实的基础.
-
基于深度学习的电子病历命名实体识别及其在知识发现中的应用
通过引入医学文本语言和文档类别特征,构建了一个基于深度学习的电子病历命名实体识别系统.识别的实体包括身体部位、症状和体征、疾病和诊断、检查和检验以及治疗5大类.基于模型识别的结果,将其应用在基于共现的临床知识发现中.命名实体识别系统的准确率为93.29％,召回率为93.53％,F1值为93.41％.医学语言特征的引入能够进一步提高基于深度学习的医学实体识别系统的效果,实体识别的结果可以作为电子病历知识发现的基础.
-
基于深度学习的金免疫层析试条定量检测方法
为解决免疫层析试条定量检测问题,搭建了基于深度置信网络和反向传播神经网络构成的深度学习模型.基于免疫层析试条图像的特点,搭建的模型通过学习本文提出的图像灰度特征、距离特征以及差分特征实现准确的图像分割.后,对分割的图像进行定量分析实现终的定量检测.实验结果表明,本文提出的方法能够实现免疫层析定量检测.
-
基于深度卷积网络的中药饮片图像识别
目的:利用计算机深度学习实现对中药饮片二维图像的自动化识别的研究具有重要实用价值,可广泛应用于医疗、生产和教学等领域.既往多采用传统的提取图像中的底层特征的方法来进行识别,然而这种方法不能在复杂背景的图像条件下给出鲁棒的识别结果.因此,中药饮片图像识别需要更高级别的图像表达方法.方法:构建包含50种常见中药饮片图像数据库,共2 554张图像,作为模型的训练与测试对象,并运用Softmax损失训练卷积神经网络.结果:卷积神经网络在所有测试的50种中药饮片图像中可以实现70％的平均识别精度.结论:卷积神经网络在多个饮片相互遮挡并带有复杂背景情况下较为理想,未来具有一定应用前景.
-
深度学习在医学图像分析中的研究进展
人工智能领域不断创新发展,促使深度学习方法的理论和应用成为研究的热点.在医学领域中,传统的人工读片等医学图像分析方法已无法适应数量迅速增长的影像资料的诊断需求,因此,深度学习方法在医学图像中的应用备受关注.本文主要总结了深度学习方法在医学图像分割、图像分类识别和计算机辅助诊断方面的研究进展,后进行了小结和展望.
-
基于深度学习的行人属性多标签识别
行人属性通常指的是行人的一些可被观察到的外部特征,如性别、年龄、服饰、携带品等.作为行人外部的软生物特征,行人属性对于行人检测和再识别是非常重要的,并且在智能视频监控场景和基于视频的商业智能应用中显示出巨大的潜力.在目前的行人属性多标签分类识别中,主要有基于手工设计特征的方法和基于深度学习的方法.然而,手工设计特征的方法难以应对复杂的真实视频监控场景,在实际应用中取得的效果并不是很理想.采用深度卷积网络模型,包含3个卷积层和2个全连接层,使用Sigmoid交叉熵损失函数,训练平台为Caffe深度学习框架,通过在包含19 000张行人图片的PETA数据集上对10种行人属性进行训练和测试,得到85.2％的平均识别精度.加入正样本比例指数因子改进损失函数后,平均识别精度达到89.2％,使网络性能有明显的提高.
-
基于卷积神经网络的外周血白细胞分类
白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率.探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别.在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率＞95％为目标评估训练结果及优化调整网络结构.结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标.随后对LeNet网络进行删减优化,获得一轻量高效的新结构——CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30.两者对979张5类细胞图像的佳分类准确率分别达到99.69％和99.18％,高于目前同类研究报道.结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势.
-
基于卷积神经网络的P300事件相关电位分类识别
针对脑机接口系统中P300电位识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法.通过将传统卷积神经网络中第二个串行连接的卷积层改为3个并行连接的卷积层,可加大网络宽度,提升网络对P300信号特征提取的能力;将提取的特征经全互连层组合后,采用sigmoid函数构建P300事件相关电位分类器.针对脑机接口竞赛数据中靶刺激与非靶刺激数据量不平衡的问题,采用过抽样方式,对含有P300事件相关电位的脑电数据做部分平均来增加数据量,其训练集和测试集样本量分别为25 500和18 000.采用Adam优化方法,有监督地训练这种改进的卷积神经网络.结果表明,相比传统的卷积神经网络,该方法在实验次数大于11次时,字符识别正确率均高于95％,这对于脑机接口的应用具有重要的意义.
-
基于深度卷积神经网络的帕金森步态识别
步态冻结(FOG)是晚期帕金森病患者常见的症状,FOG的突然发作会造成患者的行走障碍.为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走.针对FOG检测,提出一种系统式的特征学习方法.该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习.采用监督式学习方法利用标签信息,使学习到的特征更具识别能力.在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化.通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结.与以往的阈值法实验结果相比,平均正确率提高到91.43％,灵敏性提高到85.58％,特异性提高到了93.63％.该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义.
-
基于深度残差网络的皮肤镜图像黑色素瘤的识别
恶性黑色素瘤是常见和致命的皮肤癌之一.临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段.但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验.因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要.提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征.具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类.在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28％的准确率及84.18％的AUC值.同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架.与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题.
-
深度学习在数字病理中的应用
临床上,病理切片是癌症诊断的金标准.病理医生通过对病理切片进行镜检,完成病理诊断和预后评估,但是这个过程通常费时费力.在病理切片的数字化的背景下,人工智能技术走进病理领域,并推动病理分析逐渐从定性分析向定量分析转变,这一改变使病理诊断更加准确客观.尤其是以深度学习为代表的人工智能技术在病理分析中取得令人瞩目的成果,不但使病理诊断更加智能化,而且使诊断结果更加精准和客观.阐述深度学习的基本概念及其在数字病理切片分析中的应用,简要概述深度学习在细胞和组织的检测和分割、组织层面上癌症的分类和分级的应用,以及其他一些应用,后指出目前数字病理切片分析中存在的问题并对未来的发展方向提出展望.
-
基于深度学习的医学图像识别研究进展
近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战.深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路.首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;后对深度学习在医学图像识别中存在的问题进行分析及展望.
-
基于深度卷积神经网络的层次多任务服装分类
目的 多层卷积神经网络因其较高资源开销以及对训练数据有极高要求,使得深度网络在自定义数据中的表现往往难以优化.本论文提出一种在不改变深度网络模型的基础上,基于组合层次化标注数据,提高服装数据的分类准确率.方法 将服装图像数据的分类属性依据相关性进行分层,用多任务网络技术[1]对应相关的多类别属性进行训练.结果 实验结果表明,对于图像数据进行相关性多任务训练,比单任务训练或不相关性多任务训练,识别的准确率有着显著提升.结论 本文提出了一种通用的,避免修改深度网络的模型结构,使用富有多层次类别属性标注的服装数据集,训练出的深度分类网络模型有着更强的表达能力.
-
基于改进RPN深度网络的端到端的监控场景行人检测研究
监控场景下的行人检测相比其他场景,具有人流量大,遮挡程度高的特点.针对该场景,本文提出基于RPN深度网络的端到端检测方案.一方面改进了RPN深度网络,结合自行设计的深度卷积网络,获得了针对行人检测的深度网络.另一方面通过引入头肩模型进一步提高了针对该场景行人检测的检测性能,同时提升了检测实时性,终实现了端到端检测.实验表明,本文方法有效提升了监控场景行人检测的检测性能和实时性,降低了检测漏检率.
-
基于视频序列的疼痛估计研究方法综述
在临床治疗中,病人的面部疼痛估计受到了广泛的关注,尤其是在诸如儿童、脑损伤病人等具有语言功能障碍的患者中显得尤为重要.与此同时,伴随着模式识别方法的广泛应用,基于视频序列的自动疼痛评估方法引起了很多科研人员的兴趣.本文回顾了近些年来相关文献中关于疼痛估计的方法,尤其着眼于深度学习和弱监督学习在该领域上的应用.此外,本文对每类方法中算法的优缺点进行了深入的分析和比较,并列举了现阶段关于在疼痛估计领域中数据库和方法所面对的挑战.后,对未来研究的方向做了大胆的预测.
-
基于密集网络改进的肺结节良恶性分类模型
目的 探讨改进后的卷积神经网络模型对肺结节进行良恶性分类的准确率.方法 以分类模型密集网络(DenseNet)为基础模型,采用中间密度投影方法将肺结节的三维信息输入卷积神经网络进行训练,并针对肺结节良恶性分类问题适应性改进神经网络结构,将传统损失函数Cross Entropy Loss替换为Focal Loss,使网络能着重学习难以分辨的肺结节.结果 改进后神经网络模型对良恶性肺结节分类的准确率为89.93％,曲线下面积为0.947.结论 适应性改进后的卷积神经网络模型判断良恶性肺结节准确率较高.
-
计算机深度学习与智能图像诊断对胃高分化腺癌病理诊断的价值
随着计算机技术的发展,机器学习被深入研究并应用到各个领域,机器学习在医学中的应用将转换现在的医学模式,利用机器学习处理医学中庞大数据可提高医生诊断准确率,指导治疗,评估预后.机器学习中的深度学习已广泛应用在病理智能图像诊断方面,目前在有丝分裂检测,细胞核的分割和检测,组织分类中已取得较好成效.在病理组织学上,胃高分化腺癌因其组织结构和细胞形态异型性小,取材标本表浅等原因容易漏诊.现有的早期胃癌的病理智能图像诊断系统中没有关于腺腔圆度的研究,圆度测量可以将腺腔结构的不规则,腺腔扩张等特征转换为具体数值的定量指标,通过数值大小来进行诊断分析,为病理诊断提供参考价值.
-
人工智能在整形美容外科的应用
自2016年以来,人工智能(artificial intelligence,AI)技术逐渐进入大众视野,随着沃森系统(Watson,International Business Machines Corp,Armonk,N.Y.)的引进,医疗从业人员也开始关注此项技术如何辅助医学的诊疗和研究工作.对机器学习的技术背景,以及其在整形美容外科领域的初步应用和潜在研究方向作一介绍.
